本书围绕大数据处理与分析，对其相关技术进行了详细的讲解。全书共9章，首先介绍了大数据分析的基本概念及可用的方法技术，然后介绍了如何使用Excel进行数据分析，包括数据探索与描述性分析、使用函数和工具、使用透视表与透视图等；介绍了如何使用Power BI进行数据分析，包括数据集成、数据清洗、数据规约、数据变换的基本操作，以及DAX函数的使用；介绍了如何使用Numpy进行数据计算以及如何使用Pandas进行数据分析。随后，介绍了一些数据可视化方法，分别介绍了Excel和Power BI中的数据可视化方法，还介绍了使用Matplotlib进行数据可视化的方法。最后，介绍了机器学习基础，并讲解了两个实践案例。本书从理论、实践两部分对大数据处理与分析进行了细致的讲解，旨在帮助读者更好地了解、使用大数据处理与分析的相关方法。

第1章 大数据分析基础
任务1.1 大数据分析的基本概念
1.1.1 大数据的定义与发展历程
1.1.2 大数据的特征
1.1.3 大数据分析的挑战
任务1.2 大数据分析方法与技术
1.2.1 统计分析与描述性分析
1.2.2 可视化分析
1.2.3 数据挖掘与机器学习
任务1.3 Python解释器与数据分析环境
1.3.1 安装Python解释器
1.3.2 安装IPython与JupyterNotebook
习题
第2章 Excel数据分析技术
任务2.1 Excel数据分析概览
2.1.1 Excel基本介绍
2.1.2 Excel相关概念
2.1.3 获取外部数据
任务2.2 Excel数据探索与描述性分析
2.2.1 排序与筛选
2.2.2 数据分类汇总
2.2.3 条件格式
任务2.3 使用Excel函数和工具进行数据分析
2.3.1 统计函数
2.3.2 文本函数
2.3.3 日期和时间函数
2.3.4 数学函数
任务2.4 Excel数据透视表与透视图
2.4.1 数据透视的作用
2.4.2 数据透视表
2.4.3 数据透视图
习题
第3章 PowerBI数据分析技术
任务3.1 PowerBI数据分析概览
3.1.1 PowerBI的安装
3.1.2 PowerBI的界面与功能
3.1.3 PowerBIDesktop与PowerBIService
3.1.4 数据加载与数据连接
任务3.2 PowerBI基本操作
3.2.1 数据集成
3.2.2 数据清洗
3.2.3 数据归约
3.2.4 数据变换
任务3.3 数据建模分析
3.3.1 数据表关系
3.3.2 创建与管理数据模型
3.3.3 使用DAX进行数据计算
3.3.4 常用DAX函数介绍
习题
第4章 使用NumPy进行数据计算
任务4.1 NumPy数据计算概述
4.1.1 NumPy的安装
4.1.2 NumPy的优势与应用场景
任务4.2 NumPy的数组对象
4.2.1 创建数组对象
4.2.2 数组对象的常用属性
4.2.3 数组元素的访问与修改
4.2.4 数组对象的基础运算
4.2.5 数组对象的常用函数
任务4.3 NumPy的运算操作
4.3.1 位运算函数
4.3.2 数学函数
4.3.3 算术函数
4.3.4 统计函数
4.3.5 线性代数函数
习题
第5章 使用Pandas进行数据分析
任务5.1 Pandas数据分析概览
5.1.1 Pandas的安装
5.1.2 Pandas数据结构
任务5.2 Pandas的基本操作
5.2.1 导入与导出数据
5.2.2 数据的查看与描述
5.2.3 数据的选择与索引
5.2.4 数据的增删查改
任务5.3 Pandas分析方法
5.3.1 数据统计
5.3.2 算术运算与数据对齐
习题
第6章 Excel和PowerBI数据可视化
任务6.1 使用Excel进行数据可视化展示
6.1.1 在Excel中插入图表
6.1.2 Excel图表相关要素
6.1.3 常用Excel图表类型
任务6.2 使用PowerBI进行数据可视化分析
6.2.1 PowerBI数据可视化方法
6.2.2 对比分析——条形图、柱形图、雷达图、漏斗图
6.2.3 结构分析——饼图、环形图、瀑布图、树状图
6.2.4 相关分析——散点图、折线图
6.2.5 描述性分析——表、箱线图
6.2.6 KPI分析——仪表、KPIIndicator、子弹图
习题
第7章 使用Matplotlib进行数据可视化
任务7.1 Matplotlib数据可视化概览
7.1.1 Matplotlib的安装
7.1.2 Matplotlib绘图步骤
任务7.2 Matplotlib基本图形元素
7.2.1 数据表达
7.2.2 图形标签和文本
7.2.3 图形格式和基本样式
任务7.3 典型图形绘制
7.3.1 折线图
7.3.2 散点图
7.3.3 柱状图
7.3.4 饼图
7.3.5 直方图
7.3.6 箱线图
习题
第8章 机器学习基础
任务8.1 机器学习介绍
8.1.1 机器学习是什么
8.1.2 机器学习的任务分类
8.1.3 机器学习流程
8.1.4 用Python实现机器学习算法
任务8.2 分类分析
8.2.1 分类分析是什么
8.2.2 分类评价指标
8.2.3 决策树与随机森林
8.2.4 朴素贝叶斯算法
任务8.3 聚类分析
8.3.1 聚类分析是什么
8.3.2 聚类评价指标
8.3.3 K均值聚类算法
任务8.4 关联规则分析
8.4.1 什么是关联规则
8.4.2 关联规则指标
8.4.3 Apriori算法
习题
第9章 实践案例
任务9.1 电商网站用户行为分类分析
9.1.1 特征工程
9.1.2 模型选择和训练
9.1.3 模型评估和优化
9.1.4 预测和应用
任务9.2 文本聚类分析
9.2.1 特征工程
9.2.2 聚类算法选择和实现
9.2.3 聚类结果分析和可视化
9.2.4 预测和应用
习题